CN113203924A - 一种基于局部放电检测的电容器冲击老化程度预测方法 - Google Patents

一种基于局部放电检测的电容器冲击老化程度预测方法 Download PDF

Info

Publication number
CN113203924A
CN113203924A CN202110474581.2A CN202110474581A CN113203924A CN 113203924 A CN113203924 A CN 113203924A CN 202110474581 A CN202110474581 A CN 202110474581A CN 113203924 A CN113203924 A CN 113203924A
Authority
CN
China
Prior art keywords
capacitor
aging
partial discharge
data matrix
degree
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110474581.2A
Other languages
English (en)
Other versions
CN113203924B (zh
Inventor
张晨萌
谢施君
张榆
仰枫
姜南希
张血琴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Southwest Jiaotong University
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University, Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Southwest Jiaotong University
Priority to CN202110474581.2A priority Critical patent/CN113203924B/zh
Publication of CN113203924A publication Critical patent/CN113203924A/zh
Application granted granted Critical
Publication of CN113203924B publication Critical patent/CN113203924B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/60—Arrangements for transfer of electric power between AC networks or generators via a high voltage DC link [HVCD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Fixed Capacitors And Capacitor Manufacturing Machines (AREA)

Abstract

本发明公开了一种基于局部放电检测的电容器冲击老化程度预测方法，属于电气工程检测领域，其包括以下步骤：S1、对多个试品电容器施加冲击电压发生器模拟直流输电系统中电容器投切中承受的操作冲击电压，得到多个老化试品电容器；S2、对多个老化试品电容器进行局部放电检测，得到归一化训练数据矩阵；S3、构建并训练评估模型，得到训练完成的评估模型；S4、将冲击电压老化电容器的局部放电特征量构成输入数据矩阵，并将输入数据矩阵输入训练完成的评估模型，实现直流输电系统电容器老化程度检测；本发明解决了现有的电容器老化检测方法都是离线式的，且测量出的特征单一不能很好的表征电容器老化程度的问题。

Description

一种基于局部放电检测的电容器冲击老化程度预测方法
技术领域
本发明属于电气工程检测领域，具体涉及一种基于局部放电检测的电容器冲击老化程度预测方法。
背景技术
电容器是电力系统中使用较为广泛的电力设备之一，在调节线路功率因素方面发挥了重要作用，迄今为止，使用电容器组改善电网功率因数是最经济的解决措施。然而，电容器组的缺点是由于电容是动态元件，在投入电网运行时，如果投入时机不恰当，会在电容器表面产生较高的冲击电压。投切并联电容器所引起的过电压对并联电容器造成损害，导致电容器介质强度和绝缘水平的下降。近年来，尽管电力电容器的制造工艺得到了巨大的提升，介质强度进一步强化，但是电容器老化，损害现象时有发生，严重影响了经济甚至人身安全，而电容器老化一般发生在内部，现有对电容器老化检测的手段大多都是离线检测，不利于线路经济运行。
目前对于电容器冲击老化的寿命预计方法还鲜有研究，由于电容器冲击电压老化后出现的损伤及其微小，且大多数位于电容器内部，人眼无法识别，目前对电容器老化检测的方法主要是进行局放试验和电容内气体分解产物等，但是这些方法需要将电力电容器退出电力系统进行离线检测，难免会消耗大量的人力，物力，检测起来过于复杂，此外衡量电容器老化程度的准则较为单一，不能综合考量多种特征量共同作用下的结果。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于局部放电检测的电容器冲击老化程度预测方法解决了现有电容器冲击老化的寿命预计方法将电力电容器退出电力系统进行离线检测，造成消耗大量的人力和物力，检测起来过于复杂的问题，以及不能综合考量多种特征量的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于局部放电检测的电容器冲击老化程度预测方法，包括以下步骤：
S1、对多个试品电容器施加冲击电压发生器模拟直流输电系统中电容器投切中承受的操作冲击电压，得到多个老化试品电容器；
S2、对多个老化试品电容器进行局部放电检测，得到归一化训练数据矩阵；
S3、构建并训练评估模型，得到训练完成的评估模型；
S4、将冲击电压老化电容器的局部放电特征量构成输入数据矩阵，并将输入数据矩阵输入训练完成的评估模型，得到冲击电压老化电容器的老化程度，实现直流输电系统电容器老化程度检测。
进一步地，步骤S1包括以下分步骤：
S11、设置N种不同缺陷的试品电容器，每种缺陷的试品电容器有M个；
S12、对M×N个试品电容器施加冲击电压发生器模拟直流输电系统中电容器投切中承受的操作冲击电压，得到M×N个老化试品电容器。
进一步地，步骤S1中操作冲击电压为：电容器在投切中，电容器所承受的暂态操作过电压。
进一步地，步骤S2包括以下分步骤：
S21、对多个老化试品电容器加上电压，进行局部放电检测，将检测到的局部放电特征量构建为局部放电特征矩阵，得到每种缺陷老化试品电容器的局部放电特征矩阵；
S22、采用筛选法对每种缺陷老化试品电容器的局部放电特征矩阵的列向量进行筛选，将相关度高的列向量构建为新的局部放电特征矩阵，在新的局部放电特征矩阵加入冲击电压老化次数、环境变量和浪涌电压，得到每种缺陷老化试品电容器的训练数据矩阵；
S23、对每种缺陷老化试品电容器的训练数据矩阵进行归一化处理，得到矩阵元素范围为(-1，1)的归一化训练数据矩阵。
上述进一步方案的有益效果为：电容投切过程中的浪涌电压和环境变量的加入，提高了评估模型的性能，对电容器寿命预测提供了依据。
进一步地，步骤S21中局部放电特征量包括：单位时间内局部放电次数、局部放电出现的最小电压和局部放电峰值。
进一步地，步骤S22中环境变量包括：老化试品电容器所处的位置温度和大气湿度。
进一步地，步骤S22中浪涌电压包括：老化试品电容器受到冲击后的浪涌电压幅值、浪涌电压频率和浪涌电压谐波次数。
进一步地，步骤S3包括以下分步骤：
S31、构建标签数据矩阵，在标签数据矩阵和归一化训练数据矩阵中选择相同老化程度的标签数据矩阵和归一化训练数据矩阵，构建数量不低于10的相同老化程度的样本；
S32、根据局部放电特征量与老化损伤程度对应关系，采用ANN算法，建立评估模型；
S33、初始化评估模型的模型参数；
S34、采用样本对评估模型进行训练；
S35、判断训练过程中评估模型的输出与预测结果的差值是否小于设定阈值，若是，则得到训练完成的评估模型，若否，则跳转至步骤S36；
S36、基于差值自适应调节模型参数，并跳转至步骤S34对评估模型进行再次训练。
进一步地，步骤S4包括以下分步骤：
S41、将冲击电压老化电容器的浪涌电压幅值、浪涌电压频率和浪涌电压谐波次数构成输入数据矩阵；
S42、将输入数据矩阵输入训练完成的评估模型，得到冲击电压老化电容器的老化程度，实现直流输电系统电容器老化程度检测。
本发明的有益效果为：本发明提出了一种电容器冲击电压老化程度检测方法，主要依靠局放设备对老化后电容器进行检测，获取多种特征变量，构建相关网络模型，找到电力电容器运行时长，环境信息等与特征量之间联系，具有以下优点：
(1)本发明利用筛选法提取出了能够更好表示电容器电老化的特征变量来组成模型的训练数据矩阵，减少无用特征量对老化程度的评估干扰。
(2)利用多种特征量综合考察电容器老化程度，搭建评估模型，自适应调节模型参数，提高了模型准确度，获得比较准确的结果。
(3)相比传统的电容器老化离线检测方法，本发明测量可靠性高，速度快，在线式检测，并且可以根据电容器运行时长预估电容器寿命。
附图说明
图1为一种基于局部放电检测的电容器冲击老化程度预测方法的流程图；
图2为本发明一实施例的电容器冲击老化程度评估结果示例图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于局部放电检测的电容器冲击老化程度预测方法，包括以下步骤：
S1、对多个试品电容器施加冲击电压发生器模拟直流输电系统中电容器投切中承受的操作冲击电压，得到多个老化试品电容器；
步骤S1中操作冲击电压为：电容器在投切中，电容器所承受的暂态操作过电压，电压幅值与投切时间密切相关，具体可采用电网电压峰值时投入所产生的操作过电压。
步骤S1包括以下分步骤：
S11、设置N种不同缺陷的试品电容器，每种缺陷的试品电容器有M个，缺陷类型包括：无缺陷电容器、内部缺陷和接触缺陷等；
S12、对M×N个试品电容器施加冲击电压发生器模拟直流输电系统中电容器投切中承受的操作冲击电压，得到M×N个老化试品电容器。
在本实施例中，设置5种不同缺陷的试品电容器，每种缺陷的试品电容器分别有100个，对5×100个试品电容器施加冲击电压发生器模拟直流输电系统中电容器投切中承受的操作冲击电压，得到5×100个老化试品电容器。
S2、对多个老化试品电容器进行局部放电检测，得到归一化训练数据矩阵；
步骤S2包括以下分步骤：
S21、对多个老化试品电容器加上电压，采用局放仪进行局部放电检测，将检测到的局部放电特征量构建为局部放电特征矩阵，得到每种缺陷老化试品电容器的局部放电特征矩阵；
在本实施例中，局部放电特征量包括：单位时间内局部放电次数、局部放电出现的最小电压和局部放电峰值等Q个特征，得到N个M×Q阶的局部放电特征矩阵。
Figure BDA0003046560530000061
式中，
Figure BDA0003046560530000062
为第1种缺陷类型的老化试品电容器的局部放电特征矩阵X1，
Figure BDA0003046560530000063
为第n种缺陷类型的老化试品电容器的局部放电特征矩阵Xn，
Figure BDA0003046560530000064
为第N种缺陷类型的老化试品电容器的局部放电特征矩阵XN，
Figure BDA0003046560530000065
为第N种缺陷类型的第M个老化试品电容器的第Q个特征值。
在本实施例中，检测到32个特征，即Q＝32，则得到5种缺陷的老化试品电容器的局部放电特征矩阵；局部放电特征矩阵为100×32阶矩阵。
S22、采用筛选法对每种缺陷老化试品电容器的局部放电特征矩阵的列向量进行筛选，将相关度高的列向量构建为新的局部放电特征矩阵，例如，可选用局部放电时长、单位时间内局部放电次数和局部放电峰值等列向量，在新的局部放电特征矩阵加入冲击电压老化次数T、环境变量P和浪涌电压W，得到每种缺陷老化试品电容器的训练数据矩阵；
Figure BDA0003046560530000071
其中，
Figure BDA0003046560530000072
为第1种缺陷类型的老化试品电容器的训练数据矩阵Y1，
Figure BDA0003046560530000073
为第2种缺陷类型的老化试品电容器的训练数据矩阵Y2，
Figure BDA0003046560530000074
为第n种缺陷类型的老化试品电容器的训练数据矩阵Yn，
Figure BDA0003046560530000075
为第N种缺陷类型的老化试品电容器的训练数据矩阵YN，T1至TM为不同的冲击电压老化次数，P1至PM为不同的环境变量，W1至WM为不同的浪涌电压。
在本实施例中，筛选出相关度高的24个列向量，得到5个100×24阶新的局部放电特征矩阵，在加入冲击电压老化次数、环境变量和浪涌电压3个列向量后，得到5种不同缺陷的训练数据矩阵，各为100×27阶。
步骤S22中环境变量包括：老化试品电容器所处的位置温度和大气湿度。
步骤S22中浪涌电压包括：老化试品电容器受到冲击后的浪涌电压幅值、浪涌电压频率和浪涌电压谐波次数。
S23、对每种缺陷老化试品电容器的训练数据矩阵进行归一化处理，得到矩阵元素范围为(-1，1)的归一化训练数据矩阵。
S3、构建并训练评估模型，得到训练完成的评估模型；
步骤S3包括以下分步骤：
S31、构建标签数据矩阵，在标签数据矩阵和归一化训练数据矩阵中选择相同老化程度的标签数据矩阵和归一化训练数据矩阵，构建数量不低于10的相同老化程度的样本；
在本实施例中，根据不同缺陷的老化试品电容器运行时间及其寿命评估，确定其标签分别定为30年，25年，20年，15年，10年。标签数据矩阵维度100×1，共有五组。
在本实施例中，选取电容器投切次数在5-70次内，共400个样品作为样本，自适应算法的SPREAD为10。
S32、根据局部放电特征量与老化损伤程度对应关系，采用ANN算法，建立评估模型；
S33、初始化评估模型的模型参数；
S34、采用样本对评估模型进行训练；
S35、判断训练过程中评估模型的输出与预测结果的差值是否小于设定阈值，若是，则得到训练完成的评估模型，若否，则跳转至步骤S36；
S36、基于差值自适应调节模型参数，并跳转至步骤S34对评估模型进行再次训练。
在本实施例中，根据长期运行温度的不同，划分为两种类型，分别为10℃，20℃，每种温度根据投切次数不同各取10个，共20个数据作为预测结果来计算预测相对误差；最终得到20个样本RMSE为1.1523，如图2所示。
S4、将冲击电压老化电容器的局部放电特征量构成输入数据矩阵，并将输入数据矩阵输入训练完成的评估模型，得到冲击电压老化电容器的老化程度，实现直流输电系统电容器老化程度检测。
步骤S4包括以下分步骤：
S41、将冲击电压老化电容器的浪涌电压幅值、浪涌电压频率和浪涌电压谐波次数构成输入数据矩阵；
S42、将输入数据矩阵输入训练完成的评估模型，得到冲击电压老化电容器的老化程度，实现直流输电系统电容器老化程度检测。

Claims (9)

1.一种基于局部放电检测的电容器冲击老化程度预测方法，其特征在于，包括以下步骤：
S1、对多个试品电容器施加冲击电压发生器模拟直流输电系统中电容器投切中承受的操作冲击电压，得到多个老化试品电容器；
S2、对多个老化试品电容器进行局部放电检测，得到归一化训练数据矩阵；
S3、构建并采用归一化训练数据矩阵训练评估模型，得到训练完成的评估模型；
S4、将冲击电压老化电容器的局部放电特征量构成输入数据矩阵，并将输入数据矩阵输入训练完成的评估模型，得到冲击电压老化电容器的老化程度，实现直流输电系统电容器老化程度检测。
2.根据权利要求1所述的基于局部放电检测的电容器冲击老化程度预测方法，其特征在于，所述步骤S1包括以下分步骤：
S11、设置N种不同缺陷的试品电容器，每种缺陷的试品电容器有M个；
S12、对M×N个试品电容器施加冲击电压发生器模拟直流输电系统中电容器投切中承受的操作冲击电压，得到M×N个老化试品电容器。
3.根据权利要求1所述的基于局部放电检测的电容器冲击老化程度预测方法，其特征在于，所述步骤S1中操作冲击电压为：电容器在投切中，电容器所承受的暂态操作过电压。
4.根据权利要求1所述的基于局部放电检测的电容器冲击老化程度预测方法，其特征在于，所述步骤S2包括以下分步骤：
S21、对多个老化试品电容器加上电压，进行局部放电检测，将检测到的局部放电特征量构建为局部放电特征矩阵，得到每种缺陷的老化试品电容器的局部放电特征矩阵；
S22、采用筛选法对每种缺陷的老化试品电容器的局部放电特征矩阵的列向量进行筛选，将相关度高的列向量构建为新的局部放电特征矩阵，在新的局部放电特征矩阵加入冲击电压老化次数、环境变量和浪涌电压，得到每种缺陷的老化试品电容器的训练数据矩阵；
S23、对每种缺陷的老化试品电容器的训练数据矩阵进行归一化处理，得到矩阵元素范围为(-1，1)的归一化训练数据矩阵。
5.根据权利要求4所述的基于局部放电检测的电容器冲击老化程度预测方法，其特征在于，所述步骤S21中局部放电特征量包括：单位时间内局部放电次数、局部放电出现的最小电压和局部放电峰值。
6.根据权利要求4所述的基于局部放电检测的电容器冲击老化程度预测方法，其特征在于，所述步骤S22中环境变量包括：老化试品电容器所处的位置温度和大气湿度。
7.根据权利要求4所述的基于局部放电检测的电容器冲击老化程度预测方法，其特征在于，所述步骤S22中浪涌电压包括：老化试品电容器受到冲击后的浪涌电压幅值、浪涌电压频率和浪涌电压谐波次数。
8.根据权利要求1所述的基于局部放电检测的电容器冲击老化程度预测方法，其特征在于，所述步骤S3包括以下分步骤：
S31、构建标签数据矩阵，在标签数据矩阵和归一化训练数据矩阵中选择相同老化程度的标签数据矩阵和归一化训练数据矩阵，构建数量不低于10的相同老化程度的样本；
S32、根据局部放电特征量与老化损伤程度对应关系，采用ANN算法，建立评估模型；
S33、初始化评估模型的模型参数；
S34、采用样本对评估模型进行训练；
S35、判断训练过程中评估模型的输出与预测结果的差值是否小于设定阈值，若是，则得到训练完成的评估模型，若否，则跳转至步骤S36；
S36、基于差值自适应调节模型参数，并跳转至步骤S34对评估模型进行再次训练。
9.根据权利要求1所述的基于局部放电检测的电容器冲击老化程度预测方法，其特征在于，所述步骤S4包括以下分步骤：
S41、将冲击电压老化电容器的浪涌电压幅值、浪涌电压频率和浪涌电压谐波次数构成输入数据矩阵；
S42、将输入数据矩阵输入训练完成的评估模型，得到冲击电压老化电容器的老化程度，实现直流输电系统电容器老化程度检测。
CN202110474581.2A 2021-04-29 2021-04-29 一种基于局部放电检测的电容器冲击老化程度预测方法 Active CN113203924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110474581.2A CN113203924B (zh) 2021-04-29 2021-04-29 一种基于局部放电检测的电容器冲击老化程度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110474581.2A CN113203924B (zh) 2021-04-29 2021-04-29 一种基于局部放电检测的电容器冲击老化程度预测方法

Publications (2)

Publication Number Publication Date
CN113203924A true CN113203924A (zh) 2021-08-03
CN113203924B CN113203924B (zh) 2023-07-11

Family

ID=77029431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110474581.2A Active CN113203924B (zh) 2021-04-29 2021-04-29 一种基于局部放电检测的电容器冲击老化程度预测方法

Country Status (1)

Country Link
CN (1) CN113203924B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003043096A (ja) * 2001-07-27 2003-02-13 Tokyo Electric Power Co Inc:The コンデンサ設備におけるコンデンサの絶縁劣化診断方法
CN101004436A (zh) * 2007-01-22 2007-07-25 西南交通大学 大容量高压电力设备的高灵敏度直流局部放电检测系统
US20080157783A1 (en) * 2007-01-01 2008-07-03 Maxwell Technologies, Inc. Apparatus and method for monitoring high voltage capacitors
CN102353881A (zh) * 2011-07-12 2012-02-15 江苏镇安电力设备有限公司 基于局部放电监测的电容器在线监测系统
CN103293425A (zh) * 2013-06-28 2013-09-11 指月集团有限公司 一种金属化电力电容器快速老化试验方法
WO2014101579A1 (zh) * 2012-12-28 2014-07-03 国家电网公司 基于奇异值分解算法的变压器局部放电模式识别方法
CN106646172A (zh) * 2016-12-02 2017-05-10 国网四川省电力公司电力科学研究院 一种产生直流叠加冲击电压的试验电路
CN108037424A (zh) * 2017-12-14 2018-05-15 国网四川省电力公司电力科学研究院 基于多数据来源的电力电容器绝缘状态评估方法与系统
CN109116193A (zh) * 2018-06-14 2019-01-01 国网浙江省电力有限公司检修分公司 基于局放信号综合熵值的电气设备危险性放电判别方法
CN109582657A (zh) * 2018-11-28 2019-04-05 国家电网有限公司 基于机器学习与大数据分析的电容器故障预测方法
CN110334948A (zh) * 2019-07-05 2019-10-15 上海交通大学 基于特征量预测的电力设备局部放电严重程度评估方法及系统
CN110750852A (zh) * 2019-08-12 2020-02-04 青岛大学 一种超级电容器的剩余使用寿命预测方法、装置及电子设备
CN112163391A (zh) * 2020-09-10 2021-01-01 华中科技大学 一种在湿度影响下估计薄膜电容器寿命的方法及系统
CN112285509A (zh) * 2020-11-18 2021-01-29 湖南长达检测股份有限公司 一种冲击电容器内油膜绝缘老化的检测系统及方法
CN112307638A (zh) * 2020-11-09 2021-02-02 中南大学 一种电容器寿命估算方法、装置及电子设备
CN112505510A (zh) * 2020-12-15 2021-03-16 国网四川省电力公司电力科学研究院 基于电介质累积效应的电力设备绝缘状态评估预警方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003043096A (ja) * 2001-07-27 2003-02-13 Tokyo Electric Power Co Inc:The コンデンサ設備におけるコンデンサの絶縁劣化診断方法
US20080157783A1 (en) * 2007-01-01 2008-07-03 Maxwell Technologies, Inc. Apparatus and method for monitoring high voltage capacitors
CN101004436A (zh) * 2007-01-22 2007-07-25 西南交通大学 大容量高压电力设备的高灵敏度直流局部放电检测系统
CN102353881A (zh) * 2011-07-12 2012-02-15 江苏镇安电力设备有限公司 基于局部放电监测的电容器在线监测系统
WO2014101579A1 (zh) * 2012-12-28 2014-07-03 国家电网公司 基于奇异值分解算法的变压器局部放电模式识别方法
CN103293425A (zh) * 2013-06-28 2013-09-11 指月集团有限公司 一种金属化电力电容器快速老化试验方法
CN106646172A (zh) * 2016-12-02 2017-05-10 国网四川省电力公司电力科学研究院 一种产生直流叠加冲击电压的试验电路
CN108037424A (zh) * 2017-12-14 2018-05-15 国网四川省电力公司电力科学研究院 基于多数据来源的电力电容器绝缘状态评估方法与系统
CN109116193A (zh) * 2018-06-14 2019-01-01 国网浙江省电力有限公司检修分公司 基于局放信号综合熵值的电气设备危险性放电判别方法
CN109582657A (zh) * 2018-11-28 2019-04-05 国家电网有限公司 基于机器学习与大数据分析的电容器故障预测方法
CN110334948A (zh) * 2019-07-05 2019-10-15 上海交通大学 基于特征量预测的电力设备局部放电严重程度评估方法及系统
CN110750852A (zh) * 2019-08-12 2020-02-04 青岛大学 一种超级电容器的剩余使用寿命预测方法、装置及电子设备
CN112163391A (zh) * 2020-09-10 2021-01-01 华中科技大学 一种在湿度影响下估计薄膜电容器寿命的方法及系统
CN112307638A (zh) * 2020-11-09 2021-02-02 中南大学 一种电容器寿命估算方法、装置及电子设备
CN112285509A (zh) * 2020-11-18 2021-01-29 湖南长达检测股份有限公司 一种冲击电容器内油膜绝缘老化的检测系统及方法
CN112505510A (zh) * 2020-12-15 2021-03-16 国网四川省电力公司电力科学研究院 基于电介质累积效应的电力设备绝缘状态评估预警方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHENMENG ZHANG: "Research on Power Capacitor Insulation State Detection Based on Polarization Depolarization Current Method" *
张晨萌: "冲击电容器直流叠加操作冲击回路仿真分析" *
王鹏: "脉冲电容器绝缘老化和直流局部放电测试系统" *

Also Published As

Publication number Publication date
CN113203924B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
Peng et al. Random forest based optimal feature selection for partial discharge pattern recognition in HV cables
CN106908674B (zh) 一种基于多状态量预测的变压器状态评估方法
CN106199350B (zh) 一种橡塑电缆绝缘老化状态评估方法
CN103076547A (zh) 基于支持向量机的gis局部放电故障类型模式识别方法
Darabad et al. An efficient PD data mining method for power transformer defect models using SOM technique
Chang et al. Application of pulse sequence partial discharge based convolutional neural network in pattern recognition for underground cable joints
Arvind et al. Condition monitoring of power transformer: A review
Wang et al. Application of extension neural network algorithm and chaos synchronization detection method to partial discharge diagnosis of power capacitor
Lira et al. Metal-oxide surge arrester monitoring and diagnosis by self-organizing maps
CN110673000B (zh) 一种油浸式电流互感器局部放电在线监测方法及装置
Hong et al. State classification of transformers using nonlinear dynamic analysis and Hidden Markov models
CN111291918A (zh) 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法
Rajamani et al. Identification of simultaneously occurring dynamic disc-to-disc insulation failures in transformer winding under impulse excitation
CN111695543B (zh) 一种基于行波时频特性的输电线路隐患放电类型辨识方法
CN113203924B (zh) 一种基于局部放电检测的电容器冲击老化程度预测方法
El-Hag et al. Prediction of leakage current of non-ceramic insulators in early aging period
Darabad et al. Data mining on partial discharge signals of power transformer's defect models
CN115856611A (zh) 一种基于深度学习的高压断路器故障诊断方法
Figueroa Godoy et al. Analysis of insulating material of XLPE cables considering innovative patterns of partial discharges
US20230273269A1 (en) Determining states of electrical equipment using variations in diagnostic parameter prediction error
Bozzo et al. Electrical tree tests. Probabilistic inference and insulating material evaluation
Li et al. [Retracted] Aging Law and Life Evaluation Model of Cable Insulation Based on WOA‐SVR
CN118091520B (zh) 一种10us方波浪涌测试设备智能调控方法及系统
Ho et al. Fundamental Study on Condition Assessment of Insulating Material using Deep Learning based on Waveform Characteristics of Partial Discharge
Wu et al. Recognition of Partial Discharge in Medium Voltage Switchgear via Gray-Scale Diagram and Support Vector Machine

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant